R Lecture 10
웹 앱 개발: 심화


이상일(서울대학교 지리교육과 교수)

2025-11-18

지리공간적 시각화

사례: 전 세계 인구 분포 지도

사례: 전 세계 인구 분포 지도

  • 데이터 레이어

    • 국가 경계, 호수, 그래티큘: 벡터(vector) 데이터

    • 인구밀도, 수심: 래스터(raster) 데이터

  • 데이터 원천

  • 투영법: 로빈슨 도법(Robinson projection)

    • CRS (coordinate reference system, 좌표참조계)
  • 지도화 기법: 컬러, 범례, 주기 표기 등

사례: 전 세계 인구 분포 지도

사례: 전 세계 인구 분포 지도

지리공간적 데이터의 종류

  • 벡터(vector) 데이터

    • 포인트, 라인, 폴리곤

    • 형상 데이터 + 속성 데이터

  • 래스터(raster) 데이터

    • 그리드 셀(grid cell)

    • 일체형

지리공간적 데이터의 종류

지리공간적 데이터의 종류

벡터 데이터

  • 벡터 데이터: 형상 데이터 + 속성 데이터

    • 형상 데이터 (기하, 도형, 공간 데이터)

      • 지리공간적 객체 자체에 대한 데이터

      • 포인트(점), 라인(선), 폴리곤(면)으로 구분

      • 버텍스(vertex)의 좌표값

    • 속성 데이터

      • 지리공간적 객체가 보유한 속성

      • 기존 일반 데이터와 동일

벡터 데이터

  • 형상 데이터: 셰이프 파일(shape file) (ESRI사)

    • sigungu.shp: 버텍스의 좌표값이 포함된 핵심 파일

    • sigungu.shx: 공간적 인덱싱 파일

    • sigungu.dbf: 기본 속성 파일

    • sigungu.prj: 투영 정보 파일

  • 특수한 패키지 필요: sf 패키지

벡터 데이터: sf 패키지

https://allisonhorst.com/r-packages-functions

벡터 데이터: sf 패키지

구분 함수
읽고 쓰기 st_read(), st_write(), read_sf(), write_sf()
투영 관련 st_crs(), st_transform()
기하 측정 st_area(), st_length(), st_perimeter(), st_distance()
기하 변형 st_centroid(), st_buffer(), st_boundary(), st_simplify()
기하 생성 st_point(), st_voronoi() , st_convex_hull(), st_make_grid()
기하 검토 st_is_valid(), st_make_valid()
기하 중첩 st_filter(), st_intersection(), st_union(), st_crop()
기타 st_coordinates(), st_cast(), st_as_sf(), st_graticule(), st_join()

벡터 데이터: sf 패키지

library(tidyverse)
library(sf)
sigungu_shp <- st_read("sigungu.shp", options = "ENCODING=CP949")
ggplot() + geom_sf(data = sigungu_shp)

벡터 데이터

  • 속성 데이터

    • csv 파일: readr 패키지의 read_csv() 함수

    • 엑셀 파일: readxl 패키지의 read_excel() 함수

    • Open API를 통해 수집: tibble 객체

  • 형상 데이터와 속성 데이터의 결합: dplyr 패키지의 left_join() 함수

    • 왼편: 형상 데이터

    • 오른편: 속성 데이터

래스터 데이터

  • 데이터 형식

    • TIFF 혹은 GeoTIFF
  • 패키지: terra 패키지

    • 불러오기: rast()

    • 변환하기: project(), mosaic(), crop()

    • 계산하기: global(), focal(), zonal()

    • 수 많은 다른 함수들

CRS

https://datacarpentry.github.io/organization-geospatial/03-crs.html

CRS: 정의

  • 좌표참조계 Coordinate Reference System

  • 모든 지리공간데이터는 특정한 좌표참조계에 의거해 제작되며 이러한 좌표참조계는 매우 다양함

    • 준거타원체

    • 투영법(map projection)

    • 투영 파라미터: 투영축, 투영격, 중앙경선, 가상원점 등

  • 지리공간데이터의 SRID(Spatial Reference System Identifiers, 공간참조계식별자)

  • sf 패키지: st_crs() 함수

CRS: 방식

  • PROJ 정형문자열

    • https://proj.org/en/9.4/
    • 준거타원체, 투영법, 투영 파라미터를 + 기호로 연결해 작성한 문자열
    • UTM-K
      • +proj=tmerc +lat_0=38 +lon_0=127.5 +k=0.9996 +x_0=1000000 +y_0=2000000 +ellps=GRS80 +units=m
  • EPSG 숫자코드

    • https://epsg.io/
    • 모든 CRS에 1024~32767 사이의 고유 숫자를 부여
    • UTM-K
      • EPSG: 5179

CRS: PROJ 정형문자열

  • 세계지도를 위한 주요 투영법의 PROJ 별명(alias)
투영법 PROJ 파라미터
정적원통 도법 Equal Area Cylindrical +proj=cea
컴펙트 밀러 도법 Compact Miller +proj=comill
에케르트 IV 도법 Eckert IV +proj=eck4
정거원통 도법 Equidistant Cylindrical +proj=eqc
구드 도법 Goode Homolosine +proj=goode
단열형 구드 도법 Interrupted Goode Homolosine +proj=igh
메르카토르 도법 Mercator +proj=merc
몰바이데 도법 Mollweide +proj=moll
로빈슨 도법 Robinson +proj=robin
시뉴소이드 도법 Sinusoidal +proj=sinu
빈켈트리펠 도법 Winkel Tripel +proj=wintri

CRS: EPSG 숫자코드

  • 널리 사용되는 CRS의 EPSG
적용 스케일 EPSG 숫자코드 설명
전세계 EPSG:4326 WGS84, 측지좌표계, GPS에 사용
EPSG:3857 웹 메르카토르 도법, 구글 맵스, 오픈스트리트맵에서 사용
EPSG:7789 ITRF2014
미국 EPSG:2163 알베르스 정적원추 도법
유럽 EPSG:3035 람베르트 정적방위 도법
우리나라 EPSG:5179 UTM-K
EPSG:5185 서부원점
EPSG:5186 중부원점
EPSG:5187 동부원점
EPSG:5188 동해원점

CRS: 세계지도에 적용

지리공간적 시각화: 정적 vs. 동적

정적 지도: 코로플레스 맵

정적 지도: 두 가지 관점

  • “지도도 그래프다” 관점: 일반성

  • “지도는 지도이다” 관점: 특수성

    • tmap 패키지
      • 4.2.0

ggplot2 vs tmap: 세계지도

library(tidyverse)
library(spData)
library(sf)
data(world)
world <- st_as_sf(world)
wpp_2024 <- read_rds("wpp_2024.rds")
my_wpp <- wpp_2024 |> 
  filter(year == 2025)
world_data <- world |>
  left_join(my_wpp, join_by(iso_a2 == ISO2))
world_map <- ggplot() +
  geom_sf(data = world_data, aes(fill = TFR, text = name_long)) +
  coord_sf(crs = "+proj=robin") +
  scale_fill_viridis_c() +
  scale_x_continuous(breaks = seq(-180, 180, 30)) +
  scale_y_continuous(breaks = c(-89.5, seq(-60, 60, 30), 89.5)) +
  theme(
    panel.background = element_rect("white"),
    panel.grid = element_line(color = "gray80")
  )
world_map

library(tmap)
tm_world_map <- tm_shape(world_data, crs = "+proj=robin") +
  tm_graticules(
    labels.show = FALSE,
    x = seq(-180, 180, 30), 
    y = c(-89.5, seq(-60, 60, 30), 89.5)
  ) + 
  tm_polygons(
    fill = "TFR", 
    fill.scale = tm_scale_continuous(values = "viridis")
  ) +
  tm_layout(frame = FALSE)
tm_world_map

ggplot2 vs tmap: 우리나라 지도

library(tidyverse)
library(sf)
sido_shp <- st_read("sido.shp", options = "ENCODING=CP949")
sigungu_shp <- st_read("sigungu.shp", options = "ENCODING=CP949")
data_sigungu <- read_rds("data_sigungu.rds")
sigungu_data <- sigungu_shp |> 
  left_join(data_sigungu, join_by(SGG1_CD == C1))
library(ggspatial)
sigungu_data <- sigungu_data |> 
  mutate(
    index_class = case_when(
      index < 0.2 ~ "1",
      index >= 0.2 & index < 0.5 ~ "2",
      index >= 0.5 & index < 1.0 ~ "3",
      index >= 1.0 & index < 1.5 ~ "4",
      index >= 1.5 ~ "5"
    ),
    index_class = fct(index_class, levels = as.character(1:5))
  )
class_color <- c("1" = "#d7191c", "2" = "#fdae61",
                 "3" = "#ffffbf", "4" = "#a6d96a", 
                 "5" = "#1a9641")
ggplot_map <- ggplot() +
  geom_sf(
    data = sigungu_data, 
    aes(fill = index_class, text = SGG1_FNM), 
    show.legend = TRUE
  ) +
  geom_sf(
    data = sido_shp, 
    fill = NA, 
    lwd = 0.5
  ) +
  scale_fill_manual(
    name = "Classes", 
    labels = c("< 0.2", "0.2 ~ 0.5", "0.5 ~ 1.0", 
               "1.0 ~ 1.5", ">= 1.5"), 
    values = class_color, drop = FALSE
  ) +
  annotation_scale(
    location = "br", 
    bar_cols = c("gray40", "white"), 
    width_hint = 0.4
  )
ggplot_map

class_color <- c("#d7191c", "#fdae61", "#ffffbf", "#a6d96a", "#1a9641")
tmap_map <- tm_graticules(labels.cardinal = TRUE) +
  tm_shape(sigungu_data) + 
  tm_polygons(
    fill = "index", id = "SGG1_FNM", 
    fill.scale = tm_scale_intervals(
      values = class_color, 
      breaks = c(0, 0.2, 0.5, 1.0, 1.5, Inf), 
      labels = c("< 0.2", "0.2 ~ 0.5", "0.5 ~ 1.0", 
               "1.0 ~ 1.5", ">= 1.5")
    ),
    fill.legend = tm_legend(title = "Classes")
  ) +
  tm_shape(sido_shp) + tm_borders(lwd = 1.5) +
  tm_scalebar(breaks = seq(0, 200, 50)) 
tmap_map

인터랙티브 지도: ggplotly() 함수

library(plotly)
ggplotly(world_map)

인터렉티브 지도: ggiraph 패키지

library(ggiraph)
sigungu_data <- sigungu_data |> 
  mutate(
    index = format(index, digits = 4, nsmall = 4),
    my_tooltip = str_c("Name: ", SGG1_FNM, "\n Index: ", index)
  )
gg <- ggplot() +
  geom_sf_interactive(
    data = sigungu_data, 
    aes(fill = index_class, tooltip = my_tooltip, data_id = SGG1_FNM), 
    show.legend = TRUE
  ) +
  geom_sf(data = sido_shp, fill = NA, lwd = 0.5) +
  scale_fill_manual(
    name = "Classes", 
    labels = c("< 0.2", "0.2 ~ 0.5", "0.5 ~ 1.0", "1.0 ~ 1.5", ">= 1.5"), 
    values = class_color, drop = FALSE
  ) 
girafe(ggobj = gg) |> 
  girafe_options(opts_hover(css = "fill: gray"))

leaflet: 자바스크립트 라이브러리

https://leafletjs.com/

leaflet: 단순 일반도

library(leaflet)
leaflet() |> 
  addTiles() |> 
  addPopups(126.955184, 37.460422, "Sang-Il's Office",
            options = popupOptions(closeButton = FALSE))

leaflet: 매시업(mashup) 주제도

library(leaflet)
world_data <- world_data |> filter(!is.na(TFR))

bins <- c(0, 1.5, 2.1, 3, 4, 5, Inf)
pal <- colorBin("YlOrRd", domain = world_data$TFR, bins = bins)
labels <- sprintf("<strong>%s</strong><br/>%g",
  world_data$name_long, world_data$TFR) |> lapply(htmltools::HTML)

leaflet(world_data) |> 
  addProviderTiles(providers$Esri.WorldTopoMap) |> 
  addPolygons(
    fillColor = ~pal(TFR), weight =  2, opacity = 1, color = "white", 
    dashArray = "3", fillOpacity = 0.6,
    highlightOptions = highlightOptions(
      weight = 5, color = "#666", dashArray = "", 
      fillOpacity = 0.6, bringToFront = TRUE
    ),
    label = labels,
    labelOptions = labelOptions(
      style = list("font-weight" = "normal", padding = "3px 8px"), 
      textsize = "15px", direction = "auto"
    )
  ) |> 
  addLegend(
    pal = pal, values = ~TFR, opacity = 0.6, title = NULL, position = "bottomright"
  )
library(tmap)
class_color <- c("#d7191c", "#fdae61", "#ffffbf", "#a6d96a", "#1a9641")
sigungu_data <- sigungu_data |> mutate(index = as.numeric(index))
tmap_mode(mode = "view")
my_tmap <- tm_shape(sigungu_data) + 
  tm_polygons(
    fill = "index", fill_alpha = 0.6, col_alpha = 0.5,
    popup.vars = c("지역소멸위험지수: " = "index"), 
    popup.format = list(index = list(digits = 3)), 
    id = "SGG1_FNM", 
    fill.scale = tm_scale_intervals(
      values = class_color, breaks = c(0, 0.2, 0.5, 1.0, 1.5, Inf), 
      labels = c("< 0.2", "0.2~0.5", "0.5~1.0", "1.0~1.5", ">= 1.5")
    ),
    fill.legend = tm_legend(title = "Classes")
  ) +
  tm_shape(sido_shp) + tm_borders(lwd = 2)
my_tmap

LLM-기반 웹 앱 내용 요소

LLM: 개념

  • Large Language Model (거대 언어 모델)

https://www.geeksforgeeks.org/artificial-intelligence/large-language-model-llm/

LLM: 개념

https://x.com/samuraipreneur/status/1888530105280168421

LLM API: 프로그래밍적 접근

  • LLM을 웹 인터페이스에서 사용하는 것이 아니라, 코드로 직접 제어하고 자동화하는 방식

  • API(Application Programming Interface, 응용프로그램 프로그래밍 인터페이스)

    • 응용프로그램(예: 웹 앱)이 프로그래밍을 통해 다른 프로그램이나 서비스(예: ChatGPT)와 상호작용하도록 해 주는 접점

    • HTTP 요청(POST) + JSON 구조로 메시지 전달

    • 모델 이름, 메시지, 파라미터를 코드로 지정

    • 응답은 JSON 형태의 텍스트/토큰

  • 대량 처리, 반복 처리, 자동화, 소프트웨어 통합

LLM API: 기본 구조

  • 요청(request) 구성 요소

    • Base URL: 모델 서버의 접속 주소, https://api.openai.com/v1

    • 모델 이름: gpt-5.1

    • API Key (인증): 사용자 신원 증명 토큰

    • 메시지: 모델에 보낼 내용, JSON 배열로 구성

  • 응답(response) 구성 요소

    • 모델 출력 텍스트: 모델이 생성한 실제 답변

    • 토큰 사용량: 과금 및 모델 내부 처리량 계산에 사용

    • 메시지 구조(JSON)

사례: Google Gemini

  • Google AI Studio(https://aistudio.google.com/app/) 접속

    • 구글 계정 로그인 필요
  • 왼쪽 하단에서 Get API Key 클릭

  • 오른쪽 상단에서 API 키 만들기 클릭

  • 새 키 만들기 창

    • 키 이름 지정: 이름 지정

    • 가져온 프로젝트 선택: 프로젝트 가져오기 혹은 프로젝트 만들기

  • 오른쪽 아이콘 중 Copy API key 선택

사례: Google Gemini

ellmer 패키지

https://ellmer.tidyverse.org/

ellmer 패키지

library(ellmer)
chat <- chat_google_gemini(
  base_url = "https://generativelanguage.googleapis.com/v1beta/",
  api_key = Sys.getenv("GEMINI_API_KEY"),
  model = "gemini-2.5-flash",
  system_prompt = ""
)
chat$chat("서울대학교 AI융합교육학과를 소개해주세요.")
서울대학교 AI융합교육학과는 4차 산업혁명 시대를 이끌어갈 핵심 동력인 인공지능(AI) 기술과 다양한 학문 분야의 융합을 통해 새로운 가치를 
창출하고, 미래 사회를 선도할 융합형 인재를 양성하기 위해 설립된 학과입니다. 단순히 AI 기술자를 넘어, AI를 통해 사회 전반의 혁신을 
이끌어낼 리더를 키우는 데 중점을 둡니다.

다음은 서울대학교 AI융합교육학과에 대한 상세한 소개입니다.

---

### **서울대학교 AI융합교육학과 소개**

**1. 설립 배경 및 목표**
*   **시대적 요구:** 인공지능 기술의 급격한 발전과 함께 사회, 경제, 문화 등 모든 분야에서 인공지능과의 융합이 필수적인 시대가 
도래했습니다. 이에 따라 깊이 있는 AI 전문성과 더불어 다양한 분야를 이해하고 융합할 수 있는 인재에 대한 요구가 증대되었습니다.
*   **학과 목표:**
    *   **AI 핵심 역량:** 인공지능의 핵심 이론과 기술(머신러닝, 딥러닝, 데이터 과학 등)에 대한 깊이 있는 이해와 실제 구현 
역량 함양.
    *   **융합적 사고:** AI 기술을 다양한 학문 분야(교육, 의료, 금융, 예술, 인문사회 등)에 적용하고, 새로운 문제 해결 
방안을 모색하는 융합적 사고 능력 배양.
    *   **사회적 리더십:** AI 시대의 윤리적, 사회적 문제에 대한 비판적 통찰력을 바탕으로, AI 기술을 통해 인류와 사회에 
기여할 수 있는 리더십 함양.

**2. 교육 과정 및 커리큘럼**
AI융합교육학과는 학제 간 융합 교육의 특성을 살려, 다음 세 가지 축을 중심으로 커리큘럼을 구성합니다.
*   **AI 심화 학습:**
    *   인공지능 개론, 기계학습, 딥러닝, 자연어 처리, 컴퓨터 비전, 강화 학습 등 AI 핵심 기술 과목.
    *   데이터 과학, 통계학, 알고리즘 등 AI 구현에 필요한 기초 및 심화 과목.
*   **융합 및 응용 분야 학습:**
    *   AI를 활용한 다양한 분야의 응용 사례 연구 및 프로젝트 수행.
    *   (예: 교육 AI, 헬스케어 AI, 금융 AI, 로봇 AI, 인문사회 AI 등)
    *   도메인 특화 데이터 분석 및 모델링 능력 강화.
*   **윤리 및 사회적 관점:**
    *   AI 윤리, 인공지능과 사회, 인공지능 법규 등 AI 시대의 책임감 있는 개발 및 활용을 위한 과목.
    *   기술 혁신이 가져올 사회적 영향에 대한 이해와 비판적 사고력 함양.

**3. 학과의 특징 및 강점**
*   **서울대학교 최고 수준의 연구 환경:** 대한민국 최고 지성의 요람인 서울대학교의 풍부한 연구 인프라와 다양한 학문 분야의 전문가 
네트워크를 활용합니다.
*   **학제 간 융합 교육:** 특정 단과대학에 소속되기보다는 여러 학문 분야의 교수진이 참여하여 다학제적 관점에서 AI를 연구하고 
교육합니다. 이를 통해 학생들은 폭넓은 시야와 깊이 있는 전문성을 동시에 확보할 수 있습니다.
*   **실용적 문제 해결 능력 강조:** 이론 교육과 더불어 실제 데이터와 문제에 기반한 프로젝트 및 연구 참여 기회를 풍부하게 제공하여,
학생들이 현실 문제 해결 능력을 갖추도록 돕습니다.
*   **미래 지향적 인재 양성:** 변화하는 시대의 요구에 발맞춰 AI 기술을 선도하고, 이를 통해 새로운 가치를 창출할 수 있는 
창의적이고 비판적인 인재를 양성하는 데 주력합니다.

**4. 졸업 후 진로**
AI융합교육학과 졸업생들은 다양한 분야에서 핵심적인 역할을 수행할 수 있습니다.
*   **IT/AI 기업:** 국내외 AI 선도 기업(네이버, 카카오, 삼성전자, LG전자, 구글, 마이크로소프트 등)의 AI 개발자, 
데이터 과학자, AI 연구원, AI 서비스 기획자.
*   **다양한 산업 분야:** 금융, 의료, 제조, 교육, 미디어, 국방 등 AI 기술을 적극적으로 도입하고 활용하는 기업 및 기관의 AI
전략가, 컨설턴트, 융합 전문가.
*   **학계 및 연구기관:** 국내외 대학원 진학을 통한 심화 연구, 정부출연연구소 등 전문 연구기관의 AI 연구원.
*   **공공 부문:** AI 관련 정책 수립 및 집행을 담당하는 정부 및 공공기관 전문가.
*   **스타트업 창업:** AI 기술을 활용한 혁신적인 서비스 및 제품 개발을 통한 창업.

---

서울대학교 AI융합교육학과는 AI 기술의 깊이 있는 이해를 바탕으로 사회 전반의 혁신을 이끌어낼 인재, 즉 'AI 시대를 이끄는 융합형 
리더'를 양성하는 데 목표를 둔, 매우 미래 지향적이고 핵심적인 학과라고 할 수 있습니다.

로컬 LLM: Ollama

  • Ollama 홈페이지 접속: https://ollama.com/

  • Download 클릭

    • Windows / macOS / Linux 중 하나를 선택
  • 모델 다운로드: Windows PowerShell 실행

    • ollama pull gemma3:4b
  • 실행

로컬 LLM: Ollama

library(ellmer)
chat <- chat_ollama(
  base_url = "http://localhost:11434",
  model = "gemma3:4b",
  system_prompt = ""
)
chat$chat("서울대학교 AI융합교육학과를 소개해주세요.")
서울대학교 AI융합교육학과(이하 AI융합교육학과)는 인공지능(AI) 기술의 발전 속도에 발맞춰, AI를 교육의 핵심 요소로 통합하고, 미래 
사회를 이끌어갈 창의적이고 윤리적인 인재를 양성하기 위해 설립된 학과입니다. 

**주요 특징 및 목표:**

* **AI 교육의 선도:** 국내 대학 최초로 AI융합교육을 전공으로 정립하여, AI 교육의 표준을 제시하고 발전시키는 역할을 수행합니다.
* **융합 교육 중심:** IT, 인문학, 사회과학 등 다양한 분야를 융합하여 AI의 활용 가능성을 극대화하고, 실생활에 적용 가능한 
창의적인 문제 해결 능력을 키웁니다.
* **미래 인재 양성:** AI 기술을 이해하고 활용할 수 있는 핵심 역량과 더불어, 윤리적 책임감을 갖춘 미래 사회의 리더를 육성합니다.
* **실용적인 교육 과정:** 이론 교육과 더불어, AI 관련 프로젝트, 워크숍, 캡스톤 디자인 등의 실습 중심 교육을 통해 학습 효과를 
높입니다.

**교육 과정:**

* **교양:** AI 기초, 데이터 분석, 윤리 등 AI를 전반적으로 이해할 수 있는 교양 강좌를 제공합니다.
* **전공 필수:** AI 기초, 머신러닝, 딥러닝, 자연어 처리, 컴퓨터 비전 등 AI 관련 핵심 기술을 집중적으로 학습합니다.
* **전공 선택:** 교육 데이터 분석, AI 활용 사례 연구, 인간-AI 상호작용, AI 및 사회 문제 등 관심 분야를 심화 학습할 수 
있는 선택 강좌를 제공합니다.
* **기타:** 인문학, 사회과학 등의 분야를 융합하여 AI를 비판적으로 사고하고 활용하는 능력을 길러줍니다.

**특징적인 교육 방식:**

* **AI 랩 운영:** 다양한 AI 랩을 운영하여 학생들에게 실제 AI 연구 경험을 제공합니다.
* **산업체 연계 프로그램:** 기업과의 산학 협력을 통해 학생들의 실무 능력을 향상시키고, 취업 기회를 확대합니다.
* **글로벌 네트워크 구축:** 해외 대학과의 교류 프로그램을 통해 국제적인 시각을 함양합니다.

**참고 자료:**

* **서울대학교 AI융합교육학과 홈페이지:** 
[https://www.ai.snu.ac.kr/](https://www.ai.snu.ac.kr/)

더 자세한 정보는 위 홈페이지에서 확인하실 수 있으며, 궁금한 점이 있다면 언제든지 다시 질문해주세요.

LLM과 웹 앱